Geri Dön

İnsansız hava aracı (İHA) ile sürü analizi ve yönetiminde derinöğrenme tekniklerinin kullanılması

Using deep learning techniques in herd analysis and management with unmanned aerial vehicles (UAVs)

PDF İndir

  1. Tez No: 967434
  2. Yazar: ÇETİN YALÇIN
  3. Danışmanlar: DR. ÖĞR. ÜYESİ YUSUF YARGI BAYDİLLİ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Elektrik ve Elektronik Mühendisliği, Computer Engineering and Computer Science and Control, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: İnsansız Hava Aracı (İHA), derin öğrenme, sürü analizi, veri artırma, Tarım 4.0, nesne tespiti, Unmanned Aerial Vehicle (UAV), deep learning, herd analysis, data augmentation, Agriculture 4.0, object detection
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Hakkari Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 82

Özet

Tarım 4.0 devrimiyle birlikte insansız hava araçları (İHA) ve derin öğrenme tekniklerinin entegrasyonu, hayvancılık sektöründe önemli yeniliklere kapı aralamaktadır. Bu tez çalışmasında, İHA görüntüleri ile modern nesne tespiti algoritmaları ve veri artırma stratejileri bir araya getirilerek sürülerin etkin ve doğru biçimde izlenmesi amaçlanmıştır. Batman ili Kozluk ilçesinde SJRC F22S Pro 4K kameralı İHA ile farklı irtifalarda çekilen toplam 131 keçi ve 1531 sığır görüntüsünden oluşan çok ölçekli bir veri seti oluşturulmuştur. Bu veri seti, hem küçük nesne boyutları (32–64 piksel) hem de değişken irtifa koşulları (0.5 m – 30 m) açısından literatürde nadir görülen bir zenginliğe sahiptir. Çalışma kapsamında sekiz temel nesne tespiti algoritması—SSD, RetinaNet, YOLOv3, DETR, Faster R-CNN, Deformable DETR, EfficientDet, Cascade R-CNN—ile birlikte YOLOv5, YOLOv8 ve son sürüm YOLO11 mimarilerinin farklı varyantları detaylı biçimde karşılaştırılmıştır. Toplamda 20'den fazla model yapılandırması incelenmiştir. Cascade R-CNN modelinin sığır görüntülerinde en yüksek mAP değerine (%89,8), YOLOv8m modelinin ise her iki veri setinde dengeli ve güçlü bir performansa (Sığır: %92,3, Keçi: %70,8 mAP50) sahip olduğunu göstermiştir. Modern veri artırma tekniklerinin (CutMix, CutOut, MixUp, Mosaic) model performansı üzerindeki etkisi detaylı olarak incelenmiş; özellikle orijinal veriyle harmanlanan artırma stratejilerinin doğruluk oranlarını anlamlı düzeyde artırdığı gözlemlenmiştir. Örneğin, keçi veri setinde Orijinal + Mosaic kombinasyonu, Cascade R-CNN'in performansını %11,4 artırarak 0,751 mAP değerine çıkarmıştır. Sığır veri setinde ise Orijinal + CutOut, en iyi sonucu %93,0 mAP50 ile vermiştir. Yüksek irtifadan çekilen görüntülerde ortalama %22,4 mAP kaybı, düşük irtifada ise yaklaşık %5 mAP düşüşü gözlemlenmiştir. Bu durum, model eğitiminde irtifa ve nesne ölçeği uyumunun kritik rol oynadığını ortaya koymuştur. Sonuç olarak, bu tez çalışması, farklı mimarilerin kıyaslamalı analizi, zorlu tarımsal koşullarda model başarımı ve veri artırma stratejilerinin etkinliği konularında önemli katkılar sunmuştur. YOLOv8m ve Cascade R-CNN gibi modellerin dikkatli veri ön işleme ve artırma yaklaşımlarıyla güçlendirilmesi, esnek ve veriye özgü model seçimlerinin İHA tabanlı hayvancılık izleme sistemlerinin doğruluk, hız ve genelleme kapasitesini artırma potansiyeline sahip olduğu görülmüştür.

Özet (Çeviri)

With the Agriculture 4.0 revolution, the integration of unmanned aerial vehicles (UAVs) and deep learning techniques is opening the door to significant innovations in the livestock sector. This thesis aims to enable the effective and accurate monitoring of animal herds by combining UAV imagery with modern object detection algorithms and data augmentation strategies. A multi-scale dataset was created using an SJRC F22S Pro 4K UAV at various altitudes in the Kozluk district of Batman, consisting of 131 goat and 1,531 cattle images. This dataset is notably rich in terms of both small object sizes (32–64 pixels) and variable altitude conditions (0.5 m – 30 m), making it a rare contribution to the existing literature. Within the scope of the study, eight major object detection algorithms—SSD, RetinaNet, YOLOv3, DETR, Faster R-CNN, Deformable DETR, EfficientDet, and Cascade R-CNN—were compared in detail alongside various variants of the YOLOv5, YOLOv8, and the latest YOLO11 architectures. In total, over 20 model configurations were evaluated. The Cascade R-CNN model achieved the highest mAP on the cattle dataset (89.8%), while YOLOv8m demonstrated a balanced and strong performance across both datasets (Cattle: 92.3%, Goats: 70.8% mAP50). The impact of modern data augmentation techniques (CutMix, CutOut, MixUp, Mosaic) on model performance was analyzed in depth. It was observed that hybrid strategies combining Orijinal data with augmentation methods significantly improved accuracy rates. For instance, in the goat dataset, the Orijinal + Mosaic combination enhanced Cascade R-CNN's performance by 11.4%, reaching 0.751 mAP. In the cattle dataset, Orijinal + CutOut achieved the best result with 93.0% mAP50. An average loss of 22.4% mAP was observed in high-altitude images, while at lower altitudes, the decrease was approximately 5%. These findings highlight the critical importance of aligning model training with object scale and operational altitude. In conclusion, this thesis provides substantial contributions through comparative analysis of different architectures, model performance under challenging agricultural conditions, and the effectiveness of data augmentation strategies. Enhancing models like YOLOv8m and Cascade R-CNN with careful preprocessing and augmentation approaches shows that flexible, data-specific model selection has the potential to improve the accuracy, speed, and generalization capacity of UAV-based livestock monitoring systems.

Benzer Tezler

  1. Tez No

    826651

    Mac sublayer protocol design and optimization for aerial swarms

    Sürü dronları için mac alt katmanında protokol tasarımı ve optimizasyonu

    ESİN ECE AYDIN

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ GÖKHAN SEÇİNTİ

  2. Tez No

    924641

    Sürü halinde hareket eden döner kanatlı insansız hava araçlarının hesaplamalı akışkanlar dinamiği ile analizi

    Computational fluid dynamics analysis of rotary-wing unmanned aerial vehicles moving as a swarm

    BERKAY ÇETİN

    Doktora

    Türkçe

    Türkçe

    2025

    Havacılık ve Uzay MühendisliğiMarmara Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    DOÇ. DR. AHMET TALAT İNAN

  3. Tez No

    897852

    Metasezgisel optimizasyon algoritmaları kullanarak çok rotorlu insansız hava aracı ile faydalı yük al bırak görevi için rota planlama

    Path planning for payload pick-drop mission with multi-rotor unmanned aerial vehicle using metaheuristic optimization algorithms

    EGEMEN BELGE

    Doktora

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiZonguldak Bülent Ecevit Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. RIFAT HACIOĞLU

  4. Tez No

    840232

    İHA haberleşmesi için havadan havaya kanal modellerinin incelenmesi

    Investigation of air to air channel models for UAV communications

    ATAKAN YILMAZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Elektrik ve Elektronik MühendisliğiHacettepe Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. CENK TOKER

  5. Tez No

    489486

    Conceptual design of a stealth unmanned combat aerial vehicle with multidisciplinary design optimization

    Çok disiplinli tasarım optimizasyonu ile düşük radar izine sahip muharip iha konsept tasarımı

    UĞUR ÇAKIN

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Havacılık MühendisliğiOrta Doğu Teknik Üniversitesi

    Havacılık ve Uzay Mühendisliği Ana Bilim Dalı

    PROF. DR. HÜSEYİN NAFİZ ALEMDAROĞLU

Geri Dön